基于BP-LVQ的組合神經(jīng)網(wǎng)絡舞弊風險識別模型研究.pdf

1、近年來，國內(nèi)外上市公司舞弊丑聞層出不窮，給投資者帶來巨大的投資風險和傷害的同時，沉重打擊了社會公眾對會計界和資本市場的信心。因此，如何有效識別企業(yè)舞弊行為成為會計理論界、實務界以及監(jiān)管部門關(guān)注的重中之重。實證研究表明，模型舞弊識別效果優(yōu)于舞弊案例分析，而有效的舞弊風險識別模型的構(gòu)建離不開完善的舞弊識別指標和恰當?shù)淖R別方法。目前，在舞弊識別指標方面的研究已經(jīng)比較完善，但舞弊識別模型方面的研究較少。隨著人工智能技術(shù)的不斷發(fā)展和廣泛應用，人工

2、神經(jīng)網(wǎng)絡技術(shù)開始應用于舞弊識別領(lǐng)域。其中，以BP和 LVQ神經(jīng)網(wǎng)絡在舞弊識別領(lǐng)域的應用最為廣泛，舞弊識別率較高。本文在此背景下深入探究這兩種神經(jīng)網(wǎng)絡技術(shù)，用同一舞弊樣本檢驗這兩種模型的舞弊識別率，并在此基礎上提出優(yōu)化的基于BP-LVQ的組合神經(jīng)網(wǎng)絡舞弊風險識別模型。
　　本文查閱整理國內(nèi)外相關(guān)文獻后，在第二章文獻綜述部分簡單闡述了國際上最為流行的六種管理舞弊動機與成因理論以及國內(nèi)流行的舞弊動機與成因觀點，梳理歸納了舞弊風險識別指標

3、和舞弊風險識別方法的相關(guān)國內(nèi)外文獻資料，明確舞弊風險識別模型的研究現(xiàn)狀、研究成果和現(xiàn)有的不足之處。在此基礎上提出本文選用 BP、LVQ神經(jīng)網(wǎng)絡技術(shù)作為舞弊風險識別模型的理由，并在第三章詳細介紹了人工神經(jīng)網(wǎng)絡技術(shù)的特點與分類、BP神經(jīng)網(wǎng)絡和LVQ神經(jīng)網(wǎng)絡的結(jié)構(gòu)及運作機制。第四章主要是樣本選取和舞弊風險識別指標篩選。本文選取2010年到2014年發(fā)生舞弊的506家上市公司作為舞弊樣本，按照Beasley原則一比一確定非舞弊的配對樣本公司50

4、6家，以此作為研究樣本。將根據(jù)文獻梳理出的識別效果較好的舞弊風險識別指標作為最初的指標體系，通過配對樣本 T檢驗以及主成分分析消除共線性問題后，最終刪選出識別效果最好的10個指標。第五章主要對BP、LVQ神經(jīng)網(wǎng)絡模型的舞弊風險識別效果進行檢驗，并對兩種識別模型的舞弊判別效果進行分析。第六章在分析 BP、LVQ神經(jīng)網(wǎng)絡模型各自優(yōu)缺點的基礎上提出構(gòu)建基于BP-LVQ的組合神經(jīng)網(wǎng)絡模型，介紹了組合模型的構(gòu)建原理和思路，用同一研究樣本檢驗組合模